LangChain Learning Path

LangChain vs LlamaIndex ​

先给结论 ​

如果你在做的是一个会持续演进的完整 LLM 应用，优先从 LangChain 入手。
如果你当前最核心的问题是“怎样把文档问答和检索链路先做顺”，LlamaIndex 往往更直接。

对这个仓库里的 AI 学习助手 来说，当前主线更适合以 LangChain 为核心，因为项目不只做检索，还要覆盖链、Tool、Agent、LangGraph 和工程化调试。

一句话区分 ​

  • LangChain 更像“通用 LLM 应用编排层”
  • LlamaIndex 更像“围绕知识库和检索问答展开的应用框架”

快速对比 ​

维度LangChainLlamaIndex
核心关注点组合 Prompt、Model、Parser、Tool、Agent、Workflow组织数据接入、索引、检索和基于知识库的问答
适合起点想搭完整 AI 应用主线想优先把知识问答做出来
对本项目的贴合度高，覆盖课程全部主线中，尤其适合第 5、6 章的知识问答部分
常见优势组合能力强，扩展面广数据接入和检索抽象更聚焦
常见代价初学时概念面更宽超出检索问答后，边界可能不如通用编排层自然

什么时候选 LangChain ​

  • 你的系统不只有 RAG，还要做固定链、Tool 调用、Agent 和工作流
  • 你希望不同阶段都沿着同一套抽象推进
  • 你更在意“应用编排”而不是“知识库问答”单点最短路径

这个仓库就是典型例子。第 3 章做链，第 5、6 章做 RAG，第 7 章做 Agent，第 8 章做 LangGraph。如果主线框架不能贯穿这些阶段，读者会在中途被迫换思路。

什么时候选 LlamaIndex ​

  • 你最急的问题是把私有资料接进系统
  • 你主要在做知识库问答、检索增强总结、文档问答入口
  • 你暂时不打算扩展到复杂工作流或工具编排

如果你的产品目标更像“课程资料问答机器人”或“公司文档搜索助手”，而不是完整 AI 应用平台，那么 LlamaIndex 可能会更省力。

容易踩的误判 ​

误判 1：以为它们只能二选一 ​

现实里它们并不是绝对互斥。很多团队会把 LlamaIndex 用在数据接入或检索层，再把结果接回 LangChain 或其他编排层。

但对学习阶段来说，最好先有一个清晰主轴。这个课程当前选择 LangChain，是为了让抽象更连续。

误判 2：以为 LlamaIndex 一定更“高级” ​

它不是更高级，而是更聚焦。
如果你的问题不是知识库问答，而是完整应用编排，那它未必更合适。

误判 3：以为 LangChain 天生更重 ​

LangChain 只有在你把很多层都引进来时才会变重。
从第 3 章的最小链开始，它也完全可以很轻。

选型建议 ​

  1. 如果你在做课程仓库这种“从链到工作流”的完整学习项目，先学 LangChain
  2. 如果你在做以文档问答为核心的单点应用，优先评估 LlamaIndex
  3. 如果你已经有稳定编排层，只是想补强数据接入和检索，不必把选型理解成全盘替换

对应回看章节 ​